深度学习 TensorFlow keras 判断训练结果

已知条件：基于keras搭建了一个全连接网络，训练数据2000个，数据特征4个，标签3个。隐藏层2层，分别是6、4个神经元，relu激活函数＋L2正则化，输出层仅sigmoid激活函数。batch=32，优化器adam，loss用的是mse。

总结学习中遇见的几种常见问题：

1. 学习很早就结束，大约在20~50个epoch时候，acc和loss曲线基本就稳定了。后来尝试用动态学习率，貌似也没什么变化。为什么模型很快就不学习了？见下图

2. 训练数据属于[a,b]范围的数据，从中单独生成一个子集[a1,b1]的数据（50个数据），验证模型泛化力，发现学习的结果非常糟糕。见下图

3. 数据样本是实验和数值模拟生成的，数据特征具有实际的物理意义，时间和代价以及人力，难以说我能做上万次实验得到更多的数据。

 

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 这篇文章讲的很详细，请看：tensorflow与keras学习
• 你还可以看下tensorflow参考手册中的 tensorflow 使用 TensorFlow Cloud 训练 Keras 模型

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 以帮助更多的人 ^-^